買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉江南大學申請的專利一種基于優化堆棧自編碼網絡的化工過程故障分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114925783B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210705720.2，技術領域涉及：G06F18/241；該發明授權一種基于優化堆棧自編碼網絡的化工過程故障分類方法是由徐琛;李啟澤;陶洪峰設計研發完成，并于2022-06-21向國家知識產權局提交的專利申請。

本一種基于優化堆棧自編碼網絡的化工過程故障分類方法在說明書摘要公布了：本發明公開了一種基于優化堆棧自編碼網絡的化工過程故障分類方法，屬于故障分類技術領域。所述方法通過在自監督學習訓練階段，使用有標簽和無標簽樣本，結合Fisher判別準則優化堆棧自編碼網絡，尋找有利于分類的映射方向，逐層減小同類故障特征的類內距離，增大異類特征的類間距離。通過改進后的損失函數約束模型訓練，使得堆棧自編碼網絡在反向傳播時更新的神經元參數，既能最小化重構誤差，使堆棧自編碼網絡從大量無標簽樣本中提取重構特征，又考慮到標簽信息的利用，使堆棧自編碼網絡提取到盡可能多的分類特征。因此本發明提出的基于優化堆棧自編碼網絡的故障分類方法可以學習有效分類特征信息，提升的故障分類的準確率。

本發明授權一種基于優化堆棧自編碼網絡的化工過程故障分類方法在權利要求書中公布了：1.一種基于優化堆棧自編碼網絡的化工過程故障分類方法，其特征在于，所述方法包括：步驟一、采集化工過程中的故障變量參數，構成訓練集Xtrain＝{x1,x2,…,xp,…,xm}，1≤p≤m，m表示采樣樣本的數量；每個采樣樣本包含J個測量變量，xp＝{X1,X2,…,Xk,…,XJ}；所述測量變量包括流量、壓力、溫度和液位；步驟二、構建堆棧自編碼網絡模型并使用改進的Fisher判別準則對其進行優化，得到優化后的堆棧自編碼網絡模型；步驟三、對步驟一所采集的訓練集添加標簽后對步驟二得到的優化后的堆棧自編碼網絡模型進行訓練，得到訓練完成的堆棧自編碼網絡模型；步驟四、利用步驟三所得到的訓練完成的堆棧自編碼網絡模型實現對于化工過程的故障分類；所述步驟二中使用Fisher判別準則對堆棧自編碼網絡模型進行優化時，重構堆棧自編碼網絡模型的誤差損失函數以及Fisher判別準則的損失函數，同時約束堆棧自編碼網絡中間層學習的輸出；所述步驟二中構建堆棧自編碼網絡模型包括：使用訓練集數據Xtrain，訓練第一個自編碼網絡并獲得權重矩陣和偏置向量以及隱藏層輸出接下來以h1作為輸入，訓練第二個自編碼網絡模型，和訓練第一個自編碼網絡相同，獲得權重矩陣和偏置向量以及隱藏層輸出重復上述過程，直到完成堆棧自編碼網絡搭建并初始化參數；最終搭建完成n層自編碼網絡組成的堆棧自編碼網絡的輸入層和中間層之間的關系表示為： 其中為編碼器的全部權重矩陣，為編碼器的全部偏置向量；x為輸入層數據，h為堆棧自編碼器中間層及編碼器輸出，fn和fn-1分別表示堆棧自編碼器中第n層激活函數和第n-1層激活函數；最終搭建完成n層堆棧自編碼網絡的解碼器輸出和中間層之間的關系表示為： 其中為解碼器的全部權重矩陣，為解碼器的全部偏置向量；為解碼器輸出數據，即重構數據；所述步驟二中使用改進的Fisher判別準則對堆棧自編碼網絡進行優化，包括：將步驟一所采集的化工過程中的故障變量參數構成的訓練集Xtrain中的m個樣本按照故障類別劃分為c個類別，X＝{X1,X2,...,Xc}有c類，第i個類別Xi包含有mi個樣本，m1+m2+…+mi+…mc＝m，1≤i≤c；計算樣本的類內距離Sw： 其中計算樣本的類間距離Sb： 其中定義關于Fisher判別準則改進的部分損失函數為： 將上述式11所示的部分損失函數作為約束堆棧自編碼網絡中間層學習的輸出的條件二；定義優化后的堆棧自編碼網絡模型的損失函數為：L{We,be,Wd,bd}＝Lf{We,be,Wd,bd}+Lr{We,be,Wd,bd}12其中Lr{We,be,Wd,bd}為n層堆棧自編碼網絡模型的重構誤差函數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人江南大學，其通訊地址為：214122 江蘇省無錫市濱湖區蠡湖大道1800號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。